模式識別在醫用超聲數字圖像特征提取中的應用研究

孫 偉 王小偉 游世軍 石昊坤 胡艷輝*

超聲診斷是將超聲檢測技術作用于人體組織，通過參數采集、數據成像等過程實施臨床診斷的一種技術手段，是目前廣泛采用的醫學診斷方法之一，具有無創、實時、安全及經濟等優良特性，在臨床中具有不可替代的作用[1]。由于其成像方式、過程及環境的復雜性，超聲圖像存在固有的高噪聲、低分辨率、低對比度及不均勻性等特性，影響后期圖像分析及臨床診斷效果[1-2]。因此，需要在圖像分析前實施圖像預處理，針對圖像具體應用場景中組織及應用特點進行色域變換、幾何變換、降噪、增強及均勻化等處理[3-4]。

隨著計算機圖形學、數字圖像處理等技術在醫學影像處理與分析中的廣泛應用，逐漸加強了模式識別與醫學診斷的融合，而圖像特征提取作為醫學圖像模式識別的前期工作和關鍵環節，在圖像增強、圖像重建、圖像分割及圖像識別等應用中發揮了重要作用[5]。為此，本研究針對醫用超聲圖像處理中面臨的現實需求，設計超聲數字圖像特征提取及輔助分析系統，采用數字圖像特征提取及模式識別分析方法，在數個典型應用場景中進行測試，以提高臨床診斷質量及效率。

1 超聲數字圖像特征提取及輔助分析系統設計

1.1 標準化圖像分析流程

超聲數字圖像特征提取及輔助分析系統采用標準化圖像分析流程，分別針對不同過程構建不同層次的圖像分析組件，提取圖像特征，為臨床診斷服務。圖像分析處理流程見圖1。

圖1 標準化圖像分析處理流程

圖1中各功能實現過程可單獨調用，也可采用圖像處理主流程調用模式識別功能模塊實現，用戶通過設置參數及功能模塊運行流水線實現超聲圖像操作過程。功能實現基于python語言實現，其具有簡潔和快速的優點[6]。同時，支持函數式及面向對象開發模式，不僅支持嵌入式C語言，同時擁有豐富的圖像處理功能庫，擴展性強，能夠極大地提高開發效率。

針對研究中的圖像處理主流程、圖像預處理、感興趣區域(region of interest，ROI)分割和特征提取各個組件進行分別描述。

1.2 圖像處理主流程

圖像處理主流程用于實現系統參數設置、功能模塊調用、通用功能等功能。用戶通過設置系統參數，主流程讀取配置并完成圖像處理流程調用，其內容包括功能調度、日志和并行化。

(1)功能調度。主流程調度模式識別功能模塊通過讀取用戶配置流程，按照配置流程建立任務隊列，當執行具體任務時，工作組件執行回調函數實現對應功能：

(2)日志。主流程通過建立日志打印及存儲功能，實現輔助調試、操作記錄等功能。

(3)并行化。為提高實時圖像處理效率，可通過并行化加快處理過程，采用多進程方式實現調用過程[7]。

1.3 圖像預處理

超聲圖像成像原理和過程較為特殊，導致圖像自身具有高噪聲、低對比度及不均勻性等特性[2]。因此，需要使用圖像預處理技術去除噪聲和增強圖像對比度，而處理過程中最大限度地保留重要診斷特征是提高圖像質量的關鍵環節，往往需要結合具體場景進行取舍[8]。在研究中選擇數種方法進行嘗試，以提高在圖像處理中的適應能力，其中包括圖像降噪、圖像增強和圖像均勻化。

(1)圖像降噪。醫用超聲圖像中的噪聲主要由熱噪聲和斑點噪聲組成，其中斑點噪聲較為特殊，無法像熱噪聲通過硬件方式或用戶操作避免，但通過后期圖像處理，能夠降低斑點噪聲形成的顆粒樣干擾[2，8]。在降噪模塊中集成各項異性擴散法、雙邊濾波和高斯濾波法用于圖像去噪，在抑制斑點噪聲的情況下最大程度降低圖像邊緣特征的損失[9]。

(2)圖像增強。經過降噪后的圖像，進一步通過增強全局及局部特點，凸顯圖像特征，提升圖像質量，提高臨床診斷效率。選擇對比度增強、動態范圍壓縮、銳化及邊緣增強等方法用于圖像增強[10]。

(3)圖像均勻化。圖像均勻化可將灰度分布不均勻的超聲圖像經處理后形成分布均勻化，從而改善超聲圖像質量，將原本像素較少的灰度域，增加圖像灰度范圍，提高對比度和清晰度。系統在設計中采用了常用的均值漂移濾波(mean shift filtering，MSF)[11]和直方圖均勻化改善超聲圖像的均勻性。

1.4 ROI分割

超聲圖像的ROI通常集中在腫瘤及結節等，通過分割出ROI，將特殊診斷區域分割出正常組織，為進一步診斷提供信息。基于閾值、聚類、分水嶺、圖論、活動輪廓模型、馬爾可夫隨機場和神經網絡建立ROI分割方法并進行測試[12]。

1.5 特征提取

采用多維度特征聯合的數據圖像模式識別方法，分別從圖像信息中全圖宏觀層次、分割后ROI層次中提取多模態特征。

(1)全圖宏觀特征。全圖特征包括圖像幾何特征及形態學特征：①圖像幾何特征包括圖像長度、寬度和點密度等；②圖像形態學特征采取從形態學角度分析圖塊的灰度級、大小、位置、方向、形狀、角點及拐點等表達醫學圖像局部的粗粒度高層語義信息。采用區域分割方法獲取圖塊，繼而使用圖塊向量化方法實現同維向量表達，得到圖像集基于形態學的特征矩陣。圖像斑點通過尺度不變特征變換(scale-invariant feature transform，SIFT)檢測，圖像角點則可通過加速穩健特征(speeded up robust features，SURF)獲得[13-15]。

(2)ROI層次特征。ROI特征包括基礎特征及推理特征：①ROI基礎特征由ROI的區域形狀、面積、周長、最大徑長度、數量和紋理組成。ROI的區域形狀采用傅里葉形狀描述符法[16]及邊界特征法判斷；②ROI的區域紋理特征包括基于局部紋理特征、局部二值模式(local binary pattern，LBP)、類哈爾(Haar-like)特征、基于全局紋理特征的灰度共生矩陣(grey-level co-occurrence matrix，GLCM)和基于形狀紋理特征的邊緣方向直方圖(edge direction histogram，EDH)4種特征表達圖塊的細粒度底層語義信息，構造紋理的特征矩陣[17-18]。ROI典型特征描述見表1。

表1 ROI典型特征描述

表1顯示，依據ROI紋理及形狀特征組合形成分類器具有較強的輔助診斷能力，主要用于判斷ROI質地及邊緣特征，具有臨床應用價值[19]：①利用液體及均勻性實質組織典型的圖像色差，辨別是否存在包膜及液態組織，鑒別實質性組織；②采用均勻性檢測判斷ROI組織是否為均質性病變，通常超聲影像中均質性病變邊線處回聲均勻狀態，反映在圖像中呈現出色差波動較小；③鈣化組織與氣性組織比較，鈣化組織通常較為穩定，圖像均勻，氣性組織由于流動特性導致內部模糊，可采用模糊圖像檢測識別氣性組織特征；④在急性炎癥病變中，由于水腫的存在導致組織圖像呈現邊緣光滑，分割后臟器通常測量經線值增加，而慢性組織驗證中，由于存在纖維樣病變，因此可通過紋理檢測識別出典型紋理特征，采用纖維樣紋理檢測血吸蟲肝纖維化病變；⑤較之良性腫瘤，惡性腫瘤超聲圖像內部結構復雜，往往伴有出血、壞死等，通過圖像均勻性檢測為非均質性病變后，采用分割檢測包膜，進一步鑒別良性腫瘤，通過分割結果，計算ROI周長、面積等，并基于模式識別方法，判斷邊緣特征，是否存在邊緣浸潤、光暈圈、水牛眼、偽足等特征。ROI紋理及形狀特征見圖2。

2 模式識別在診斷場景中的應用

圖2 部分ROI紋理及形狀特征圖

按照部分ROI紋理及形狀特征(圖1)的流程配置圖像分析過程，在各個流程中選擇對應的分析方法后運行主流程，主流程調用分析模塊執行模式識別操作。在測試中，針對目前廣泛存在的心臟占位病變鑒別、乳腺組織腫瘤分割、骨骼肌量化評估等典型診斷場景進行應用研究。

2.1 心臟占位病變輔助診斷

心臟病變具有起病急、病死率高的特點，早期診斷往往十分關鍵。受心臟灌流和成像特點等的影響，心臟微小病變通常難以捕捉，尤其是心臟粘液瘤，該疾病臨床上較為常見。結合臨床特征，瘤體質地柔軟，呈現出橢圓形或圓形團塊，檢測表面不光滑，可分別通過質地、形狀及邊緣等特征進行鑒別，而瘤體多數伴有瘤蒂，需要結合形狀及邊緣檢測判別[20]。

結合臨床特征選擇處理流程及分析方法，選擇各項異性擴散法降噪、邊緣增強以及MSF均勻化作為預處理。通過模式識別方法分割出ROI區域，通過瘤蒂識別、瘤體色差檢測輔助超聲診斷。模式識別應用效果見圖3。

圖3 模式識別應用效果圖

2.2 乳腺癌超聲圖像ROI分割

乳腺癌與心臟輔助診斷類似，早期診斷及時干預十分重要[21-22]。超聲診斷在傳統上往往依賴于診斷醫生的經驗，可通過特征提取并將特征應用于輔助診斷。由于惡性腫瘤具有輪廓模糊，加之超聲圖像自身的成像缺陷，增加了ROI分割的技術難度。近年來，基于圖論的圖像分割算法在超聲圖像分割中取得了較好的效果[23-24]。因此，圖3 d上方紅色箭頭處顯示，基于標準化圖像分析流程，按照去除噪聲、增強對比度、提高均勻性和分割ROI流程，在一定程度上避免了過分割和欠分割的發生，取得了較好的輔助分割效果。

2.3 骨骼肌動態特征參數測量

骨骼肌動態特征參數測量用于狀態評估。肌肉是人體運動的支持組織，通過拉伸與收縮完成機體活動。臨床和運動學上可通過定量分析肌肉的長度、厚度及羽狀角等圖像特征間接評估肌肉狀態與功能[25]。采用超聲成像技術可反映骨骼肌動態變化，已被廣泛應用于骨骼肌狀態評估，但單純采用超聲檢測無法精確測量骨骼肌特征，因此采用模式識別方法可為精確測量提供方法學支持[25]。圖像處理計算骨骼肌特征項及其對應算法見表2。

表2 骨骼肌特征項及對應算法

經測試發現，改進超聲圖像降噪算法，在時間效率和去噪效果、邊緣保持效果以及紋理保留效果上要達到一個平衡點。通過選擇合適的圖像預處理方法能夠有效減低圖像噪聲，因此，系統采用了靈活的應用配置流程，用戶可通過流程配置：

通過配置文件在流程中選擇合適的方法用于圖像處理過程，并可根據結果及時調整功能模塊獲得理想的診斷結果，為自動化圖像分析流程的建立進行測試。

3 結論

超聲診斷在醫療診斷中具有重要地位，但由于成像方式及環境等因素，導致圖像引入了斑點噪聲等干擾因素，降低了圖像識別的可讀性。為此，超聲圖像特征提取及輔助分析系統將模式識別方法引入超聲圖像分析中，通過圖像預處理、提取圖像宏觀特征以及ROI區域特征構建了一種超聲圖像模式識別工具，并結合數種典型應用場景進行測試，該系統能夠增強圖像顯示，通過提取圖像典型特征，為臨床超聲圖像診斷提供輔助信息，對于各醫療機構構建類似的超聲圖像分析系統具有參考意義。